IBM lanza Granite 4.0 1B Speech, un modelo de voz multilingüe y compacto para IA en el borde

IBM ha lanzado Granite 4.0 1B Speech, un modelo compacto de voz y lenguaje para reconocimiento de voz multilingüe y traducción bidireccional. Lo relevante no es solo un nuevo lanzamiento, sino la apuesta de IBM por escenarios de producción, donde la memoria, la latencia y el coste de inferencia son tan críticos como la calidad en los benchmarks.

Qué ha cambiado

Granite 4.0 1B Speech sustituye a las configuraciones más pesadas de la línea Granite Speech y prioriza la eficiencia. Según IBM, el modelo tiene la mitad de parámetros que granite-speech-3.3-2b, pero mejora la precisión del ASR en inglés, incorpora reconocimiento de voz en japonés, keyword list biasing e inferencia más rápida gracias al ajuste fino del codificador y a la decodificación especulativa. La idea es simple: no aumentar el tamaño a toda costa, sino quitar peso sobrante sin perder las capacidades básicas que los equipos necesitan en el uso real.

IBM destaca también su enfoque de entrenamiento. El modelo parte de granite-4.0-1b-base, que se ajustó a tareas de voz mediante modality alignment. La mezcla de entrenamiento incluyó corpus abiertos de ASR y AST, además de conjuntos de datos sintéticos para japonés, ASR con keyword biasing y traducción de voz. Para los desarrolladores es una señal importante: IBM no construye una pila de voz cerrada y solo para la nube, sino que desarrolla un modelo abierto que se puede adaptar a sus propios pipelines y hardware.

Idiomas y tareas

Granite 4.0 1B Speech está diseñado para escenarios corporativos que necesitan tanto transcripción como traducción de voz en ambos sentidos. El conjunto base de idiomas de entrada admitidos incluye inglés, francés, alemán, español, portugués y japonés. En traducción, IBM presenta el modelo como herramienta de speech-to-text y traducción de voz hacia y desde el inglés para estos idiomas, y menciona aparte los escenarios English-to-Italian y English-to-Mandarin. Esto hace útil el lanzamiento no solo para centros de llamadas e interfaces de voz, sino también para pipelines internos de traducción.

• Reconocimiento de voz en inglés, francés, alemán, español, portugués y japonés
• Traducción de voz bidireccional para pares con inglés
• Escenarios específicos English-to-Italian y English-to-Mandarin
• Biasing por lista de palabras clave para nombres, marcas y abreviaturas
• Funcionamiento en escenarios donde importan la baja latencia y la memoria limitada

Otra ventaja práctica es la licencia Apache 2.0. Para los equipos corporativos reduce la fricción en la fase piloto y en la revisión legal: el modelo se puede desplegar en local, integrar en la propia pila y evitar depender de un acceso solo por API desde el principio. En un mercado donde muchos sistemas de voz solo están disponibles como servicio en la nube con restricciones comerciales, este formato da más libertad para personalizar, desplegar sin conexión y controlar los datos.

Despliegue y métricas

Según la ficha del modelo, Granite 4.0 1B Speech ya ocupa el primer puesto en el OpenASR leaderboard con un WER medio de 5.52 y un RTFx de 280.02. En el desglose por conjuntos de datos, IBM muestra, por ejemplo, 1.42 en LibriSpeech Clean, 2.85 en LibriSpeech Other y 3.10 en Tedlium. Para lanzamientos así es un argumento importante: el modelo no se presenta simplemente como «pequeño y barato», sino como un sistema compacto que mantiene un nivel muy alto en las pruebas públicas estándar.

En cuanto a la implantación, IBM ha intentado eliminar barreras innecesarias. El modelo es compatible con transformers 4.52.1+, se ejecuta con vLLM y tiene una vía aparte con mlx-audio en Apple Silicon. El pipeline de referencia usa audio mono a 16 kHz, la petición se construye con el prefijo `<|audio|>` y el keyword biasing se puede añadir directamente en el prompt. Arquitectónicamente, Granite Speech sigue siendo un sistema de dos pasadas: primero el modelo convierte el audio en texto y, si hace falta, una llamada separada a un modelo de lenguaje procesa la transcripción. En producción resulta cómodo, porque el reconocimiento y la lógica posterior se pueden escalar y ajustar de forma independiente.

Qué significa

IBM apuesta por el segmento de la IA de voz en el que gana no el modelo más grande, sino el que realmente se puede ejecutar con recursos limitados sin perder calidad. Si Granite 4.0 1B Speech se consolida en despliegues de producción, el mercado tendrá otra opción open source sólida para transcripción local, traducción de voz y servicios edge sin una fuerte dependencia de la nube.